深入理解AUC——从概率意义的角度

最新推荐文章于 2023-03-08 12:00:09 发布
最新推荐文章于 2023-03-08 12:00:09 发布
阅读量5.7k 收藏 22
点赞数 4
分类专栏： 机器学习 文章标签： 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_37683979/article/details/87882943
版权
本文深入探讨AUC，从概率角度解释其概念。AUC是ROC曲线下的面积，衡量模型效果，无需设定阈值。通过实例和直观的绘图方法阐述AUC计算，同时讨论了AUC在机器学习中可能存在的问题和争议。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

去年开始使用AUC作为算法的其中一种离线评估指标，但是对AUC的理解其实非常肤浅。刚好最近有个小伙伴抛出一条AUC的另一种计算公式，问大家谁可以解释。乐于分享的我，深入研究了一下AUC，整了一份PPT，由浅入深，帮助大家从概率意义的角度理解AUC。
在这里插入图片描述
红框框住的公式就是引发这场AUC小探索的导火线。咋一看挺复杂的，其实原理非常简单。且听我慢慢讲解。
在这里插入图片描述
内容分两大部分：一是回顾一下AUC的基础知识；二是从概率意义的角度理解AUC。（男人不止一面，AUC也是。）
在这里插入图片描述
AUC，顾名思义，它其实是一个面积，是ROC曲线下面的面积。这是AUC的物理意义。
AUC越接近1，模型效果越好。
在这里插入图片描述
精确率、召回率等指标，都需要设定一个阈值去判别是属于正类还是负类，例如预测分大于等于0.5判别为正类，小于0.5判别为负类。如何设定这个阈值，是个问题。而AUC这个指标则不需要设阈值

最低0.47元/天 解锁文章
从零开始构建机器学习平台——架构设计、模块拆解及实现方案
AI天才研究院
08-10 1197
概述在当今数据驱动的时代,机器学习已经成为众多行业和领域的核心技术。然而,构建一个完整、高效且可扩展的机器学习平台仍然是一项复杂的工程挑战。从数据收集和预处理,到模型训练、评估和部署,再到持续监控和优化,每个环节都需要精心设计和实现。本文旨在为读者提供一个全面的指南,详细介绍如何从零开始构建一个功能完备的机器学习平台。我们将深入探讨平台的整体架构设计,各个关键模块的功能和实现,以及在实际开发过程中可能遇到的挑战和解决方案。
从零实现深度学习框架——衡量算法的基本指标
日积月累，天道酬勤
09-26 1031
从混淆矩阵到ROC曲线。
auc 的概率解释
CY_TEC的博客
09-22 773
关于 auc 是什么、怎么算，已经有很多博文在将了。 如果有时间再写。 今天写一下 auc 统计学意义的证明，也就是：auc 等价于随机抽取一个正样本和一个负样本，正样本排在负样本之前的概率。 The AUC has an important statistical property: the AUC of a classifier is equivalent to the probability that the classifier will rank a randomly chosen positi
深入理解AUC
jankim1988的专栏
04-02 2728
深入理解AUC https://tracholar.github.io/machine-learning/2018/01/26/auc.html 在机器学习的评估指标中，AUC是一个最常见也是最常用的指标之一。 AUC本身的定义是基于几何的，但是其意义十分重要，应用十分广泛。 本文作者深入理解AUC，并总结于下。 AUC是什么 AUC的概率解释 概率解释的证明 AUC的排序特性 ...
AUC理解
johsnows的博客
12-22 770
Precision:TP/(TP+FP) 预测为正类中，预测为正确的概率 Recall: TP/(TP+FN) 实际为正类中，预测为正类的概率 Accuracy:（TP+TN)/(TP+FP+TN+FN) 预测类别正确的概率 ROC曲线 True Negative(真负 , TN)：将负类预测为负类数. False Positive(假正, FP)：将负类预测为正类数→→误报(Type I error)....
大数据：一张图读懂为什么AUC等于ROC曲线下的面积（或者说AUC的物理意义是：预测的正例排在负例前面的概率）？
陈泊舟的博客
09-17 5063
ROC和AUC 根据定义，AUC是ROC曲线下面积 AUC的物理意义为：正例的判定值大于反例的判定值的概率 根据物理意义，AUC的计算公式为：∑1≤i≤m∑1≤j≤n(P[i]−P[j]∣P[i]−P[j]∣+12)m∗n\frac{\sum_{1 \leq i \leq m}\sum_{1\leq j \leq n}(\frac{\frac{P[i]-P[j]}{|P[i]-P[j]|} + 1}{2})}{m * n}m∗n∑1≤i≤m​∑1≤j≤n​(2∣P[i]−P[j]∣P[i]−P[j]​+1
预测任务评价指标acc,auc
virus111222的博客
03-08 4931
1、分别表示什么TP（true positive）：表示样本的真实类别为正，最后预测得到的结果也为正；FP（false positive）：表示样本的真实类别为负，最后预测得到的结果却为正；FN（false negative）：表示样本的真实类别为正，最后预测得到的结果却为负；TN（true negative）：表示样本的真实类别为负，最后预测得到的结果也为负.
机器学习中的算法原理：从算法角度解读机器学习（深度理解机器学习背后的算法逻辑）
本文首先概述了机器学习算法的分类及其应用场景，随后深入探讨了监督学习和无监督学习中的关键算法，如线性回归、逻辑回归、支持向量机（SVM）、K-均值聚类、主成分分析（PCA）和层次聚类算法。深度学习部分详细介绍...
auc的物理意义
qq_33761777的博客
10-04 1292
机器学习和统计里面的auc的物理意义是啥？ 从Mann–Whitney U statistic的角度来解释，AUC就是从所有1样本中随机选取一个样本， 从所有0样本中随机选取一个样本，然后根据你的分类器对两个随机样本进行预测，把1样本预测为1的概率为p1，把0样本预测为1的概率为p0，p1>p0的概率就等于AUC。 所以AUC反应的是分类器对样本的排序能力。根据这个解释，如果我们完全随机的对样本分类，那么AUC应该接近0.5。 分类器越可能把真正的正样本排在前面，auc越大，分类性能越好。 另外值得注
对AUC的重新理解
一步一步
12-03 7340
AUC物理意义的理解
AUC的物理意义
qq_40598006的博客
03-11 311
https://tracholar.github.io/machine-learning/2018/01/26/auc.html
AUC的计算、物理意义，
三七的博客
07-09 1157
ROC曲线与坐标轴围城的面积。ROC曲线由不同阈值下，TPR（Y轴）与FPR（X轴）两个指标绘制成的。证明思路为根据AUC定义，使用积分求ROC曲线下面积，对积分进行展开即可。
cv曲线面积的意义_CTR算法离线指标的计算公式与物理意义
weixin_39878549的博客
11-19 1752
一、AUC的物理意义：用于衡量算法的排序能力。AUC（Area Under Curve）被为ROC曲线下与坐标轴围成的面积，越大越好，取值范围为[0,1]，但ROC曲线一般处于y=x这条直线的上方，即AUC的取值范围在0.5和1之间，AUC值越大，表示CTR预估算法越有可能将正样本排在负样本前面，即算法的排序能力越强，AUC等于0.5时，相当于随机排序，无应用价值。二、logloss的物理意义：用...
笔记︱统计评估指标AUC 详解
素质云笔记
09-25 1万+
文章目录1 AUC的两种解读视角：1.1 ROC曲线与坐标轴形成面积1.2 古典概率模型——求导AUC2 AUC的特性与优劣3 AUC多大才算好？4 线上、线下AUC差异较大成因分析4.1 业务场景使用AUC：点击模型与购买模型的差异4.2 线上、线下AUC有差异5 AUC逻辑升级 - GAUC参考文献 1 AUC的两种解读视角： 1.1 ROC曲线与坐标轴形成面积 AUC 的全称是 AreaUnderRoc 即 Roc 曲线与坐标轴形成的面积，取值范围 [0, 1]. Roc (Receiver ope
模型评估-2
weixin_30606461的博客
01-25 482
一、分类算法的评估 1、二分类 ROC与AUC 1.1 roc曲线：接收者操作特征(receiveroperating characteristic) roc曲线上每个点反映着对同一信号刺激的感受性。横轴：负正类率(false postive rate FPR)特异度，划分实例中所有负例占所有负例的比例；(1-Specificity)；纵轴：真正类率(true postive rate TPR)灵...
AUC的两种计算方式
热门推荐
凝眸伏笔的博客
08-02 2万+
推荐 搜索场景下的auc理解_凝眸伏笔的博客-CSDN博客_搜索auc随机抽出一对样本（一个正样本，一个负样本），然后用训练得到的分类器来对这两个样本进行预测，预测得到正样本的概率大于负样本概率的概率。TPRate的意义是所有真实类别为1的样本中，预测类别为1的比例。：真正率FPRate的意义是所有真实类别为0的样本中，预测类别为1的比例。：假正率AUC的优势:AUC的计算方法同时考虑了分类器对于正例和负例的分类能力，在样本不平衡的情况下，依然能够对分类器作出合理的评价。...
深入理解实际场景下 AUC vs F1 的区别——不说废话
Jerry_Lu_ruc的博客
08-10 2万+
面试的时候经常被问的一个问题是 AUC和F1 score有什么区别。笔者看了很多博文，感觉相当一部分在分析混淆矩阵和auc、f1的定义上花了太多笔墨，但对于两者的区别和联系，有种到了门前就差临门一脚的感觉。因此笔者去stack overflow上找了很多回答，感觉收获很多，在此简明扼要的写一下收获。如有纰漏欢迎指正。 1、定义： AUC的优化目标：TPR和(1-FPR) F1的优化目标：Recall和Precision 这里不再对混淆矩阵(TP、FP、TN、FN)相关的一些很细的概念做详细解释，推荐去看一下
AUC的含义——及线上线下不一致性分析
程序认生
05-14 3377
一、前言 在算法面试中，常常会被一个问题AUC的物理含义是什么。其物理含义是：测试任意给一个正类样本和一个负类样本，正类样本的score有多大的概率大于负类样本的score。 举例说明一下： 样本：y=1，y = 1， y=1， y = -1， y = -1， y = -1 模型1的预测：0.8，0.7，0.3，0.5，0.6，0.9 模型2的预测：0.1， 0.8， 0.9， 0.5， 0.85， 0.2 真实label中正负样本对为3*3=9 模型1：正样本score大于负样的对包括(y1
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值